考虑天气类型和历史相似日的短期光伏输出功率预测_宋玮琼.pdf

第39卷 第2期2023年2月电网与清洁能源Power System and Clean EnergyVol.39No.2Feb.2023清洁能源Clean Energy基金项目：国家自然科学基金项目（61876097）。Project Supported by the National Natural Science Foundation ofChina（61876097）.ABSTRACT：The randomness and uncertainty of photovoltaicpower generation are the main restraints to the development ofphotovoltaic.In order to improve the accuracy of short-termprediction of photovoltaic power，a short-term photovoltaicoutput power prediction method considering weather types andhistorical similar days is proposed in this paper.Firstly，thehistorical data are divided according to different seasons andweather types，and the similar days are determined according tothe calculation results of gray correlation degree.Secondly，chaos initialization，nonlinear adjustment of control factors，Levy flight and other strategies are used to improve the spottedhyena optimization algorithm.The improved spotted hyenaalgorithm is used to optimize the kernel extreme learningmachine and a short-term photovoltaic output power predictionmodel based on the improved spotted hyena algorithm isestablished to optimize the kernel extreme learning machine.Finally，the monitoring data of an actual photovoltaic powerstation is used for simulation analysis.The results show that theshort-term photovoltaic output power prediction model based onISHO-KELM can reduce the volatility in the photovoltaic outputpower prediction process，improve the prediction accuracy，andthus had verified the correctness and practicality of thephotovoltaic prediction method proposed in this paper.KEY WORDS：photovoltaic output power；improved spottedhyena optimizer algorithm；kernel extreme learning machine；weather type；historical similar day摘要：光伏发电的随机性和不确定性是制约光伏发展的主要原因。为了提高短期光伏发电功率预测精度，提出了一种考虑天气类型和历史相似日的短期光伏输出功率预测方法。针对不同季节和天气类型划分历史数据，根据灰色关联度计算结果确定相似日。采用混沌初始化、控制因子非线性调整和莱维飞行等策略对斑点鬣狗优化（spotted hyena optimizer）算法进行改进，采用改进斑点鬣狗算法（improved spottedhyena optimizer）对核极限学习机进行优化，建立基于改进斑点鬣狗算法优化（kernel extreme learning machine，KELM）的短期光伏输出功率预测模型。利用实际光伏电站监测数据进行仿真分析，结果表明，基于 ISHO-KELM 的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性，提高预测精度，验证了所提光伏预测方法的正确性和实用性。关键词：光伏输出功率；改进斑点鬣狗算法；核极限学习机；天气类型；历史相似日2022 年两会上，碳达峰、碳中和首次被写入政府工作报告。加快能源转型，降低 CO2排放量是未来工作的重点，清洁能源比重将大幅增加1-3。太阳能属于取之不尽的清洁能源，光伏发电具有广阔的应用前景4-5。但光伏发电随机波动性较大，光伏输出功率无法准确估计，这是目前造成光伏并网容量较低的主要原因6-7。因此，开展光伏输出功率预测对于提高光伏并网容量，减少光伏发电不确定性对电力系统的冲击，减少碳排放具有重要意义。为了提高光伏输出功率预测精度，国内外专家学者进行了大量研究。文献8对光伏发电功率的关键影响因子进行主成分分析（principal componentanalysis，PCA），采用经验模态分解（empirical mode文章编号：1674-3814（2023）02-0075-08中图分类号：TM714文献标志码：A考虑天气类型和历史相似日的短期光伏输出功率预测宋玮琼1，赵成1，郭帅1，刘士峰1，潘全成1，邹红波2（1.国网北京电科院，北京100075；2.三峡大学电气与新能源学院，湖北 宜昌443000）Short-Term Forecasting of Photovoltaic Output Power Considering WeatherType and Historical Similar DaysSONG Weiqiong1，ZHAO Cheng1，GUO Shuai1，LIU Shifeng1，PAN Quancheng1，ZOU Hongbo2（1.State Grid Beijing Electric Power Research Institute，Beijing 100075，China；2.College of Electrical and New Energy，Three Gorges University，Yichang 443000，Hubei，China）清洁能源Clean Energydecomposition，EMD）对样本数据进行处理，并利用长 短 期 记 忆 神 经 网 络（long short memory term，LSTM）对处理后的样本数据进行回归，建立基于EMD-PCA-LSTM 的光伏功率预测模型。由于没有考虑历史相似数据的影响，该模型有待进一步完善。文献9利用 K-means+聚类方法对历史数据集进行分类，采用混合卷积神经网络和长短期记忆网络建立了光伏输出功率预测模型，该模型虽然取得了较高的预测精度，但只针对晴朗天气，并没有考虑其他天气类型。文献10将变分模态分解（variational modal decomposition，VMD）、灰狼优化（grey wolf optimization，GWO）算法和 Elman 神经网络进行组合，建立了基于 VMD-GWO-Elman 神经网络的光伏发电组合预测模型。由于 Elman 神经网络的泛化能力有限，模型的预测精度有待进一步提高。除了上述预测方法，BP 神经网络11和支持向量机12也被应用于光伏发电功率预测，但这 2 种算法在训练过程中容易陷入局部最优13-14。针对现有光伏输出功率预测方法中存在的不足，根据不同季节和天气类型划分训练集，通过计算灰色关联度筛选相似日。采用改进斑点鬣狗算法对核极限学习机的惩罚系数和核参数进行优化，建立基于 ISHO-KELM 的短期光伏输出功率预测模型，并用实际光伏电站监测数据对模型的实用性和优越性进行验证。1相似日选取光伏输出功率与光照时长密切相关，按照光照时长可将全年划分为夏季、春秋季和冬季 3 个季节15。在同一季节，光伏输出功率受天气类型影响较大，因此可将同一季节的天气类型划分为晴天、多云和阴雨 3 种天气类型，这样有利于获得更准确的样本训练集，提高光伏输出功率预测精度。对于已建成的光伏电站，其光伏电板的面积、安装角度和转换效率均已确定，光伏输出功率主要受辐照度、温度、风速和相对湿度等气象因素的影响16。因此，在预测日所在季节和天气类型确定的情况下，本文选取相似日的特征向量如下：Xi=Iimax,Iimin,-Ii,Timax,Timin,-Ti,vimax,vimin,-vi,Himax,Himin,-Hi（1）式中：Iimax,Iimin,-Ii分别为第 i 日的最大辐照度、最小辐照度和平均辐照度；Timax,Timin,-Ti分别为第 i 日的最高温度、最低温度和平均温度；vimax,vimin,-vi分别为第 i 日的最大风速、最小风速和平均风速；Himax,Himin,-Hi分别为第 i 日的最大相对湿度、最小相对湿度和平均相对湿度。本文采用灰色关联度17来量化预测日与相似日的相似程度，其计算公式为Ri=1nk=1ni(k)（2）式中：Ri为灰色关联度，其值越接近 1，表示二者相似程度越高；n 为特征向量的个数；i(k)为第 i 个相似日的第 k 个特征向量与相似日的关联系数；i(k)的计算公式如下：i(k)=minimink|X0(k)-Xi(k)+maximink|X0(k)-Xi(k)|X0(k)-Xi(k)+maximaxk|X0(k)-Xi(k)（3）式中：X0(k)为预测日第 k 个特征向量归一化后的值；Xi(k)为第 i 个相似日的第 k 个特征向量归一化后的值；为分辨系数，取值为 0.5。2KELM及其优化2.1核极限学习机极限学习机（extreme learning machine，ELM）是一种性能良好的单隐含层前馈神经网络18，其优点是训练速度快，拟合精度较高，目前广泛应用于非线性回归问题。然而，ELM 也存在隐含层节点数、权值难以确定以及过拟合等问题19。为此，文献20在 ELM 中引入核函数以提高 ELM 的稳定性和泛化能力，形成核极限学习机（kernel extreme learningmachine，KELM），其相关原理可参考文献20，在此不再赘述。KELM 的模型如下：f(x)=h(x)HT(I/C+HHT)-1T=|K(x,x1)K(x,xN)(I/C+ELM)-1T（4）式中：C 为惩罚系数；I为对角矩阵；ELM为核矩阵；K(x,xN)为核函数。核函数通常采用泛化性能良好的 RBF 核函数，其表达式为K(,)=exp-(-2/)（5）宋玮琼，等：考虑天气类型和历史相似日的短期光伏输出功率预测Vol.39No.276第39卷第2期电网与清洁能源清洁能源Clean Energy式中：为核参数。研究表明，KELM 解决了 ELM 隐含层节点数、权值难以确定等问题，提高了算法的泛化性能，但KELM 的拟合效果受惩罚系数 C 和核参数影响较大，因此本文选择改进斑点鬣狗算法对参数 C 和进行寻优。2.2改进斑点鬣狗算法2018 年，印度 Gaurav Dhiman 提出了一种新型智能算法斑点鬣狗优化（spotted hyena optimizer，SHO）算法21，它是根据斑点鬣狗种群围捕猎物的行为提出的，其原理简单、稳定性好，目前已在计算机、能源等领域得到了广泛应用。SHO 算法的寻优原理可参考文献21。SHO 算法的寻优精度受种群初始解、控制因子和摇摆因子等参数影响较大，为了避免 SHO 算法在寻优过程中陷入局部最优、提高算法的求解精度，采用如下策略对 SHO 算法进行改进。2.2.1混沌初始化策略混沌理论具有强大的普适性和非重复性，因而被广泛应用于增强智能算法的种群多样性，有利于算法在解空间内进行彻底搜索。本文在 SHO 算法的迭代初期引入混沌初始化原则，利用 Tent 映射22对斑点鬣狗种群的初始位置进行混沌初始化，使其能够在搜索空间中均匀分布，增加个体多样性，提高求解质量和效率。Tent映射的表达式如下：yt+1=2yt0yt0.52(1-yt)0.5yt1（6）采用伯努利变换后可以得到：yt+1=(2yt)mod1（7）式中，mod 表示同余。2.2.2控制因子非线性调整SHO 算法在迭代时，控制因子 h 通常采用线性递减的策略进行变化，但在迭代过程中，h 实际是非线性变化的，为了更好地体现 h 的变化过程，引入下列非线性调整策略：h(t)=5-5|1e-1(etNI-1)Q（8）式中:e 为自然对数；t 为当前迭代次数；NI为最大迭代次数；Q 为衰减系数，QZ且Q0,10。引入非线性调整策略后，控制因子 h 实现了非线性递减，在迭代初期，控制因子递减较慢，有利于算法展开全局搜索。在迭代后期，控制因子加快衰减，使斑点鬣狗种群向最优解靠拢，便于进行局部搜索，提高找到最优解的可能性23。2.2.3莱维飞行策略研究发现，在优化算法中引入莱维飞行策略，不仅有助于增加种群多样性，还能够加快算法收敛24。为了增强 SHO 算法的优化性能，将莱维飞行策略引入斑点鬣狗算法中，用于控制斑点鬣狗算法的摇摆因子和收敛因子。具体如下：B=2Levyr1（9）E=2hLevyr2-h（10）式中：B 和 E 分别为摇摆因子和收敛因子；Levy 为莱维搜索路径；r1，r2均为随机因子。3光伏输出功率预测模型本文采用改进斑点鬣狗算法（improved spottedhyena optimizer，ISHO）对 KELM 的C和进行寻优，建立基于 ISHO-KELM 的短期光伏输出功率预测模型。根据相似日选取原则，关联度越高的历史样本越有利于建模，关联度不高的历史样本会影响模型的训练效果。参考文献25中相似日的选取原则，本文训练集选择同季节前一个月内 5 个关联度最高的相似日数据，测试集为预测日数据。模型输入量为光伏电站实际记录的辐照度、温度、风速和相对湿度，输出量为光伏输出功率。3.1模型的建立基于 ISHO-KELM 的短期光伏输出功率预测模型建模步骤如下，建模流程如图 1 所示。Step1根据相似日关联度计算结果确定训练集，并将数据归一化：xi=xi-ximinximax-ximin（11）式中：xi为特征量 i 的原始值；ximax和ximin分别为特征量 i 的最大值和最小值；xi为特征量 i 归一化后的值。Step2初始化 KELM，并设置相关参数，将C和作为寻优目标，设置C和的初始值和搜索范围。Step3混沌初始化斑点鬣狗种群，设置斑点鬣狗的种群规模、最大迭代次数及迭代终止误差，将参数 h、B、E 和斑点鬣狗种群位置初始化。Step4设置训练集的均方根误差为适应度函77清洁能源Clean Energy数，计算斑点鬣狗种群中的个体适应度值，具体如下：()=1Ni=1N(yi-y*i)2（12）式中：N 为样本容量；yk为第 i 个光伏输出功率的实际值；yk为第 i 个光伏输出功率的预测值。Step5计算当前斑点鬣狗最佳位置，并检查是否有超出给定搜索空间边界的斑点鬣狗个体，若有，则进行调整。Step6计算位置更新后的斑点鬣狗个体适应度值，并与上一代适应度值进行比较，保留斑点鬣狗最佳位置。Step7更新斑点鬣狗种群位置，并搜索到个体最优的适应度值下的斑点鬣狗位置。Step8判断算法达到终止条件，则输出最佳斑鬣狗位置，即 C 和的最优解；否则重复 Step5Step7。Step9将 C 和最优值赋给 KELM，对测试集数据进行预测。图1建模流程图Fig.1Modeling flow chart3.2模型的评价根据 光伏发电站功率预测系统技术要求，采用相对误差、平均相对误差、均方根误差和全局最大误差 4 种误差对光伏输出功率预测模型的预测效果进行综合评价，其计算公式分别为MAE=yi-yi*yi（13）MAPE=1Mi=1M|yi-yi*yi100%（14）RMSE=1Mi=1M(yi-yi*)2（15）MAX=max|yi-yi*yi100%（16）式中，M 为测试集样本容量。4实例分析采用甘肃省某 300 kW 分布式光伏电站 2019年实测数据对短期（24 h）光伏输出功率预测进行实例分析，考虑到不同季节光照时间的不同，均选用 07:0019：00 时段内的数据，数据采样频率为15 min/次，故输入输出变量共有 49 组，按照时间顺序依次编号为 1-49。利用模型对夏季晴天光伏输出功率预测效果进行分析，2019 年 6 月 28 日为晴天，当日气象参数（辐照度、温度、风速和相对湿度）和光伏输出功率组成的部分数据如表 1 所示。表1部分样本数据Table 1Partial sample data样本编号12345678910414243444546474849辐射度/(Jm-2)0.3990.4110.4320.4400.4690.4800.5040.5330.5460.5640.5580.5400.5210.4960.4830.4620.4380.4050.248温度/22.823.224.024.524.825.626.025.926.527.030.629.929.628.127.627.326.525.624.8风速/(ms-1)1.51.41.21.61.51.21.00.80.60.50.81.00.91.31.41.61.82.02.7相对湿度/%40.936.131.328.427.726.721.922.220.919.727.829.230.229.729.230.129.433.435.6功率/kW11.3614.8822.3230.1542.8062.2792.03107.69122.97138.6393.5976.5258.6836.8024.5219.9710.574.702.35宋玮琼，等：考虑天气类型和历史相似日的短期光伏输出功率预测Vol.39No.278第39卷第2期电网与清洁能源清洁能源Clean Energy根据相似日计算方法，在前一个月内天气类型为晴天的历史日中寻找相似日，表 2 给出了关联度最大的 5 个历史日。由表 2 可知，5 个历史日与预测日的关联度均大于 0.95，属于高度相似，因此，2021 年 6 月 28 日的相似日为 6 月 26 日、6 月 23日、6 月 24 日、6 月 10 日和 6 月 8 日。表2相似日关联度计算结果Table 2Similarity day correlation calculation result日期关联度6.260.999 56.230.987 26.240.973 56.100.957 86.080.952 4取上述 5 个相似日作为夏季晴天短期光伏输出功率预测模型的训练集，在 Matlab2016b 中进行训练。利用 ISHO 算法对 KELM 的 C 和进行寻优，C 和的初始值分别设置为 100 和 1，搜索范围均为0，1000，ISHO 相关参数设置见文献21，设置最大迭代次数为 300。ISHO 算法寻优迭代过程如图 2 所示，ISHO 算法找到的最优解为 C=62.35 和=2.86。为了对比 ISHO 算法的优越性，图 2 中同时给出了 SHO 算法、PSO 算法和 ABC 算法的迭代曲线。由图 2 可知，相比于其他优化算法，改进斑点鬣狗算法迭代次数更少，寻优精度更高。图2迭代寻优效果图Fig.2Iterative optimization renderings利用训练好的模型对测试集进行预测，预测结果如图 3 所示。为了对比分析，图 3 中同时给出了SHO-KELM 对测试集的预测结果，从 2 种模型的预测效果看，ISHO-KELM 模型的预测值更接近实际值。采取同样的方法，对春秋季多云和冬季阴雨天气类型进行预测，预测结果分别如图 4、图 5 所示。由图 4 可知，春秋季多云天气光伏输出功率整体小于夏季晴天，虽仍具有抛物线形状，但具有较大的波动。从 2 种模型的预测效果来看，ISHO-KELM模型优于 SHO-KELM 模型。由图 5 可知，冬季阴雨天气光伏输出功率进一步减小，已不再具有抛物线形状，波动明显。对比 2 种模型的预测效果，基于 ISHO-KELM 的短期光伏输出功率预测模型仍然好于其他 2 种对比模型。图4春秋季多云天气光伏输出功率预测结果（9月30日）Fig.4Prediction results of photovoltaic output power incloudy days in spring and autumn（September 30）图5冬季阴雨天气光伏输出功率预测结果（12月22日）Fig.5Prediction results of photovoltaic output power inrainy day in winter（December 22）图3夏季晴天光伏输出功率预测结果（6月28日）Fig.3Prediction results of photovoltaic output power insunny days in summer（June 28）79清洁能源Clean Energy表 3 给出了不同天气类型下 2 种模型的各类预测误差。由表 3 可知，在同一天气类型下，ISHO-KELM 模型的平均相对误差、均方根误差和全局最大相对误差均小于 SHO-KELM 模型，可见基于改进斑点鬣狗算法优化 KELM 的短期光伏输出功率预测能够降低光伏输出功率预测过程中的波动性，提高预测精度。对于不同天气类型，ISHO-KELM模型对夏季晴天、春秋季多云天气和冬季阴雨天气光伏输出功率的预测误差分别为 3.32%、4.74%和6.29%，预测误差逐渐增大，原因在于晴天光伏出力更平滑，规律性更强，而多云天气光伏功率随机性较大，阴雨天气更甚，造成样本数据波动更大，从而导致预测误差进一步增大，但 ISHO-KELM 模型仍具有更高的预测精度。表3不同天气类型下2种模型预测误差Table 3Prediction errors of two models under differentweather types天气类型夏季晴天春秋季多云天气冬季阴雨天气模型ISHO-KELMSHO-KELMISHO-KELMSHO-KELMISHO-KELMSHO-KELM误差指标MAPE/%3.325.734.747.796.2912.79RMSE4.227.924.969.644.486.88MAX/%8.5513.2310.4818.3514.5429.42为了进一步验证本文光伏功率预测的优越性，以夏季晴天的光伏数据为例分别建立短期光伏输出功率预测模型，具体建模方法详见文献26-27。3 种短期光伏预测方法的预测误差如表 4 所示。表43种光伏预测模型对比Table 4Comparison of three photovoltaicprediction methods预测模型本文模型文献26文献27MAPE/%3.324.053.87RMSE4.225.324.83MAX/%8.559.479.24对比表 4 数据可知，在平均相对误差方面，本文模型相比文献26-27分别降低了 18.02%和13.58%；在均方根误差方面，本文模型相比文献26-27分别降低了 20.68%和 12.63%；在全局最大误差方面，本文模型相比文献26-27分别降低了 9.71%和7.47%，综上所述，本文光伏预测模型优于文献26-27中的光伏预测模型，验证了本文提出短期光伏输出功率预测模型的实用性和优越性。5结语根据光照时长将全年划分为夏季、春秋季和冬季 3 个季节，并把同一季节的天气类型划分为晴天、多云和阴雨 3 种天气类型，在同一季节的同种天气类型下，以辐照度、温度、风速和相对湿度为特征量，通过计算灰色关联度筛选相似日。选择泛化能力强的核极限学习机对光伏输出功率进行回归分析，采用改进斑点鬣狗算法对核极限学习机的惩罚系数和核参数进行优化，建立了基于 ISHO-KELM 的短期光伏输出功率预测模型。采用实际光伏电站监测数据进行仿真分析，根据不同季节和天气类型选择相似日，分别建立夏季晴天、春秋季多云天气和冬季阴雨天气光伏输出功率，仿真结果表明，基于 ISHO-KELM 的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性，提高预测精度。参考文献1高赐威，宋梦.面向碳中和的多元需求侧资源参与系统运行关键技术J.供用电，2021，38（9）:1-2.GAO Ciwei，SONG Meng.Key technologies for carbonneutral multi demand side resource participation systemoperationJ.Distribution&Utilization，2021，38（9）:1-2.2周椿奇，向月，岑炳成，等.清洁能源发展场景下电动汽车入网对区域碳排放的系统动力学建模与分析J.电力科学与技术学报，2021，36（3）:36-45.ZHOU Chunqi，XIANG Yue，CEN Bingcheng，et al.System dynamics modeling and analysis of regional carbonemissions caused by electric vehicles entering the gridunder the scenario of clean energy developmentJ.Journalof Electric Power Science and Technology，2021，36（3）:36-45.3林峰，肖立华，商浩亮，等.“双碳”背景下能源互联网数字孪生系统的设计及应用J.电力科学与技术学报，2022，37（1）:29-34.LIN Feng，XIAO Lihua，SHANG Haoliang，et al.Designand application of digital twin system of energy Internetunder the background of dual carbonJ.Journal ofElectric Power Science and Technology，2022，37（1）:29-34.宋玮琼，等：考虑天气类型和历史相似日的短期光伏输出功率预测Vol.39No.280第39卷第2期电网与清洁能源清洁能源Clean Energy4陈文进，朱峰，张童彦，等.基于AFSA-BP神经网络的光伏功率预测方法J.浙江电力，2022，41（4）:7-13.CHEN Wenjin，ZHU Feng，ZHANG Tongyan，et al.Photovoltaic power prediction method based on AFSA-BPneural networkJ.Zhejiang Electric Power，2022，41（4）:7-13.5王永光，戈庆长.分布式光伏发电系统多峰值MPPT优化研究J.电力科学与技术学报，2020，35（2）:3-11.WANG Yongguang，GE Qingchang.Research on multipeak MPPT optimization of distributed photovoltaic powergeneration systemJ.Journal of Electric Power Scienceand Technology，2020，35（2）:3-11.6胡卫丰，周宇，周洪益，等.考虑分布式光伏并网的电能质量治理方法研究J.电力电容器与无功补偿，2021，42（5）:245-250.HU Weifeng，ZHOU Yu，ZHOU Hongyi，et al.Researchonpowerqualitygovernancemethodconsideringdistributed photovoltaic grid connectionJ.Power Capacitorand Reactive Compensation，2021，42（5）:245-250.7陈志华，柯强，胡经伟，等.含分布式光伏的有源配电网无功电压控制策略研究J.电力电容器与无功补偿，2022，43（2）:16-24.CHEN Zhihua，KE Qiang，HU Jingwei，et al.Researchon reactive power and voltage control strategy of activedistribution network with distributed photovoltaicJ.PowerCapacitor&Reactive Compensation，2022，43（2）:16-24.8张雲钦，程起泽，蒋文杰，等.基于EMD-PCA-LSTM的光伏功率预测模型J.太阳能学报，2021，42（9）:62-69.ZHANG Yunqin，CHENG Qize，JIANG Wenjie，et al.Photovoltaic power prediction model based on EMD-PCA-LSTMJ.Journal of Solar Energy，2021，42（9）:62-69.9陈振祥，林培杰，程树英，等.基于K-means+和混合深度学习的光伏功率预测J.电气技术，2021，22（9）:7-13，33.CHEN Zhenxiang，LIN Peijie，CHENG Shuying，et al.Photovoltaic power prediction based on K-means+andhybrid deep learningJ.Electrical Technology，2021，22（9）:7-13，33.10 张娜，任强，刘广忱，等.基于VMD-GWO-ELMAN的短期光伏功率预测J/OL.中国电力:1-9（2021-08-27）2021-10-14.http:/ Na，REN Qiang，LIU Guangchen，et al.Short termphotovoltaic power prediction based on vmd-gwo-elmanJ/OL.China Power:1-9（2021-08-27）2021-10-14.http:/ 崔佳豪，毕利.基于混合神经网络的光伏电量预测模型的研究J.电力系统保护与控制，2021，49（13）:142-149.CUI Jiahao，BI Li.Research on photovoltaic powerforecasting model based on hybrid neural networkJ.Power System Protection and Control，2021，49（13）:142-149.12 李畸勇，张伟斌，赵新哲，等.改进鲸鱼算法优化支持向量回归的光伏最大功率点跟踪J.电工技术学报，2021，36（9）:1771-1781.LIJiyong，ZHANGWeibin，ZHAOXinzhe，etal.Photovoltaic maximum power point tracking based onimproved whale algorithm and optimized support vectorregressionJ.TransactionsofChinaElectrotechnicalSociety，2021，36（9）:1771-1781.13 张旻，李天喆，张容进，等.基于信息融合的动态神经网络光伏功率预测J.电力科学与技术学报，2020，35（3）:68-73.ZHANG Min，LI Tianzhe，ZHANG Rongjin，et al.Dynamic neural network photovoltaic power predictionbased on information fusionJ.Journal of Electric PowerScience and Technology，2020，35（3）:68-73.14 左远龙，黄玉水，杨晓辉，等.基于PFA-MBAS-BP神经网络模型的光伏发电短期预测J.电力系统保护与控制，2020，48（15）:84-91.ZUO Yuanlong，HUANG Yushui，YANG Xiaohui，et al.Short term forecast of photovoltaic power generation basedon PFA-MBAS-BP neural network modelJ.Power SystemProtection and Control，2020，48（15）:84-91.15 贾德香，吕干云，林芬，等.基于SAPSO-BP和分位数回归的光伏功率区间预测J.电力系统保护与控制，2021，49（10）:20-26.JIA Dexiang，L Ganyun，LIN Fen，et al.Photovoltaicpower range prediction based on SAPSO-BP and quantileregressionJ.Power System Protection and Control，2021，49（10）:20-26.16 卞海红，孙健硕.基于典型气象周的GRNN光伏发电量预测模型J.电力工程技术，2021，40（5）:94-99.BIAN Haihong，SUN Jianshuo.GRNN photovoltaic powergenerationpredictionmodelbasedontypicalmeteorological weekJ.Power Engineering Technology，2021，40（5）:94-99.17 吕清泉，张珍珍，马彦宏，等.区域光伏发电出力特性分析研究J.发电技术，2022，43（3）:413-420.L Qingquan，ZHANG Zhenzhen，MA Yanhong，et al.81清洁能源Clean EnergyAnalysis and research on regional photovoltaic powergenerationoutputcharacteristicsJ.PowerGenerationTechnology，2022，43（3）:413-420.18 周秀，怡恺，李刚，等.基于邻域粗糙集与AMPOS-ELM的变压器DGA故障诊断J.电力科学与技术学报，2022，37（3）:157-164.ZHOU Xiu，YI Kai，LI Gang，et al.Transformer DGAfault diagnosis based on neighborhood rough set andAMPOS-ELMJ.Journal of Electric Power Science andTechnology，2022，37（3）:157-164.19 薛钦元，陆俊，李博文.基于改进极限学习机的用户异常用电辨识方法J.电力信息与通信技术，2020，1